Catedrático / Profesor universitario · El erudito al que se le paga por profesar una materia en público: veinticinco siglos de enseñanza y descubrimiento, desde la arboleda de Platón hasta la titularidad y el tutor de IA.
El producto más visible del profesor —la clase magistral— es precisamente la parte del trabajo que las máquinas copian mejor. Un curso grabado escala a millones, un tutor de IA responde a las 3 de la madrugada sin horario de oficina, y los calificadores automáticos ya puntúan código y respuestas cortas en muchas universidades. Si el trabajo fuera solo impartir contenido, estaría en serios problemas.
Pero las universidades no pagan a los profesores principalmente para impartir contenido; les pagan para producir conocimiento, certificar competencia y reproducir la profesión formando investigadores. Esas funciones descansan en el criterio sobre qué es verdadero y qué importa: exactamente donde la IA actual, que sintetiza la literatura existente en lugar de extenderla, sigue siendo una herramienta en manos de la persona responsable de la respuesta.
Aproximadamente la capa de impartición de contenido y evaluación de primera pasada del trabajo es automatizable ahora o pronto: instrucción grabada y asistida por IA, calificación rutinaria, cribado bibliográfico, informes administrativos. El núcleo —elegir preguntas de investigación, supervisar a investigadores en formación, arbitrar qué entra en el canon, y responder por la certificación de los estudiantes— requiere un criterio experto responsable que ningún sistema actual puede llevar. El futuro realista a corto plazo es menos puestos puramente docentes y más apalancamiento de máquina por profesor, no la desaparición de la cátedra.
Puntuado por tareas, no por título. Más bajo es más seguro.
Empleos que la IA no puede quitar →Decidir qué preguntas valen años de trabajo —antes de que exista evidencia sobre la cual entrenar— es el acto definitorio de la profesión, y los sistemas generativos construidos sobre la literatura existente son estructuralmente más débiles justo ahí.
Formar a un investigador requiere años de desafío, aliento y corrección honesta calibrados individualmente dentro de una relación de confianza; es aprendizaje de oficio, y el aprendizaje de oficio nunca ha sido entregable por una herramienta.
Los títulos se confían porque humanos nombrados y acreditados responden por lo que atestiguan. Delegar ese criterio en bloque a sistemas que pueden manipularse gastaría precisamente la confianza que venden las universidades.
Leer una sala, presionar al estudiante que va sobre seguro, sacar al que se esconde: el oficio improvisado y social de la enseñanza en vivo resiste la automatización mucho después de que caiga la impartición de contenido.
Editar revistas, arbitrar disputas, fijar currículos y estándares: la profesión se gobierna a sí misma, y la autogobernanza requiere miembros cuyo criterio sus pares acepten como legítimo.
Los cursos grabados, los MOOC y los tutores de IA ya llevan la instrucción introductoria a escala; una vez estandarizado el contenido, la clase marginal es la hora más reemplazable de la semana de un profesor.
Los sistemas de IA ya redactan revisiones bibliográficas, cribán miles de resúmenes y marcan citas relevantes en minutos: trabajo que consumía semanas de cada proyecto de investigación y la mayor parte del primer año de cada estudiante de doctorado.
Los calificadores automáticos han puntuado tareas de programación durante una década; los sistemas de puntuación de ensayos y retroalimentación manejan cada vez más la evaluación rutinaria, dejando a los docentes los casos disputados y de alto riesgo.
"Jill Watson" de Georgia Tech respondió preguntas rutinarias de foro de estudiantes en 2016 sin que la mayoría notara que era software; la programación, las consultas de programa y la logística de plazos son exactamente este tipo de tráfico automatizable.
Con la impartición de contenido barata —video, tutores adaptativos, explicadores de IA— el tiempo de clase se desplaza hacia lo que solo la presencia ofrece: discusión, resolución de problemas, instrucción entre pares. La clase magistral sobrevive, pero como una herramienta entre varias en lugar de la definición del trabajo.
Siguiendo el experimento de Jill Watson de Georgia Tech en 2016, las universidades ya despliegan asistentes de IA para preguntas rutinarias, redacción de retroalimentación y tutoría, mientras la nueva tarea del profesor es el control de calidad: auditar las respuestas de la máquina y enseñar a los estudiantes a interrogar en lugar de confiar en el texto generado.
Los grandes proveedores en línea ya dividen el paquete del profesor —diseño de curso, impartición, evaluación, mentoría— entre especialistas y software. La cátedra de investigación persiste en un extremo mientras una familia creciente de roles de docencia, diseño y verificación emerge de las piezas.
AlphaFold, de DeepMind, resolvió en la práctica la predicción de estructura de proteínas en 2020, colapsando un programa de investigación de décadas y redirigiendo de la noche a la mañana a los profesores de todo un campo. A medida que la IA absorbe más análisis rutinario, la habilidad escasa del profesorado se convierte en plantear la siguiente pregunta, y verificar las respuestas generadas por máquina.
El especialista que convierte la experiencia en una materia en cursos en línea y mixtos estructurados: uno de los roles de más rápido crecimiento en educación, cubierto en gran parte por doctores que eligieron el diseño en lugar de la lotería de la titularidad.
Construir y ajustar las plataformas adaptativas, los tutores de IA y las canalizaciones de analítica con las que las universidades enseñan cada vez más; un híbrido de pedagogía e ingeniería de software que apenas existía en 2010.
Explicadores con formación académica llegan hoy a audiencias que ningún auditorio jamás alcanzó —canales de matemáticas y ciencia dirigidos por exacadémicos cuentan suscriptores en las decenas de millones—, convirtiendo el oficio de explicar del profesor en una carrera independiente.
Los laboratorios corporativos de IA y biotecnología reclutan a profesores y a sus estudiantes de doctorado a múltiplos del salario académico —Uber contrató a unos cuarenta investigadores del centro de robótica de Carnegie Mellon en una sola incursión de 2015—, convirtiendo la investigación de la industria en el mayor empleador adyacente de la profesión.
Las tareas más expuestas son las que pueden especificarse por completo de antemano: la clase estandarizada, la calificación rutinaria, el resumen bibliográfico. Las tareas más protegidas son las que no pueden: la pregunta de investigación aún no formulada, el estudiante de doctorado en apuros, la decisión de criterio sobre lo que un campo debe considerar verdadero.
La disrupción más probable es económica más que tecnológica: la automatización le da a las universidades nuevas razones para dividir el paquete del profesor en partes más baratas, acelerando un desplazamiento hacia contratos de solo docencia y facilitador de curso que empezó décadas antes de la IA. La cátedra de investigación perdura; la pregunta es cuántos de los roles circundantes conservan el título.
Toda tecnología anterior dirigida a esta profesión —la imprenta, la radiodifusión, el MOOC— se anunció como su fin y se absorbió como su herramienta. La IA es la más capaz hasta ahora, y la primera en llegar a la evaluación y la síntesis. Pero mientras las sociedades quieran que se produzca conocimiento nuevo y credenciales dignas de confianza, alguien responsable debe profesar, y responder por ello.
Vecinos más cercanos en el perfil de seis puntuaciones, no solo el mismo campo.
De los escribas babilonios a los medallistas Fields y la demostración asistida por IA: la profesión que convierte preguntas difíciles en certeza permanente, teorema a teorema.
Resistente a la IA 70 🔭El científico que mide el universo, desde las tablillas de arcilla babilónicas hasta los telescopios espaciales, aún decidiendo qué parpadeo en los datos es un descubrimiento.
Resistente a la IA 70 🎬Convierte un guion en una película terminada eligiendo cada plano, interpretación y corte, y convence a productor, estudio y público de que la visión merecía el presupuesto.
Resistente a la IA 73 ⚛️Deriva y pone a prueba las leyes matemáticas que rigen la materia, la energía, el espacio y el tiempo, desde una pizarra solitaria hasta un artículo de un acelerador de partículas con 3.000 autores.
Resistente a la IA 65 ⚖️La persona en quien confían las sociedades para decidir: desde la estela de Hammurabi hasta las audiencias de fianza puntuadas por IA, las disputas más difíciles siguen terminando ante un solo humano responsable.
Resistente a la IA 90 🧬El científico que estudia la vida misma, desde Linneo nombrando especies a mano hasta editar genomas con CRISPR, aún contrastando cada idea con un organismo vivo.
Resistente a la IA 64La profesión más grande del mundo: de las casas de tablillas sumerias a las aulas de la era de la IA, un adulto encargado de convertir a treinta desconocidos en una sala que aprende.
Resistente a la IA 78 📜El interrogador formado del pasado — de Heródoto y Sima Qian al archivo digital, convirtiendo documentos frágiles en relatos comprobables de lo que ocurrió.
Resistente a la IA 70 🧩El científico de la mente y la conducta, del laboratorio de Wundt en Leipzig (1879) a la consulta: formado para oír lo que una persona aún no puede decirse a sí misma.
Resistente a la IA 82 🌐La profesión que lleva el sentido de una lengua a otra — de la Septuaginta y la Vulgata de Jerónimo a Toledo, las cabinas de Núremberg y la era de la traducción automática.
Resistente a la IA 28 📖El guardián y guía del conocimiento registrado, desde las tablillas de Nínive hasta la lucha por el préstamo digital: organizar lo que la humanidad sabe para que cualquiera pueda encontrarlo.
Resistente a la IA 55